CN117477544A - 融合时间模式特征的lstm超短期光伏功率预测方法及*** - Google Patents
融合时间模式特征的lstm超短期光伏功率预测方法及*** Download PDFInfo
- Publication number
- CN117477544A CN117477544A CN202311439064.7A CN202311439064A CN117477544A CN 117477544 A CN117477544 A CN 117477544A CN 202311439064 A CN202311439064 A CN 202311439064A CN 117477544 A CN117477544 A CN 117477544A
- Authority
- CN
- China
- Prior art keywords
- lstm
- data
- photovoltaic power
- ultra
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000003993 interaction Effects 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合时间模式特征的LSTM超短期光伏功率预测方法及***，包括：采用双分支输入预处理后的光伏功率实测数据和数值天气预报数据，分别采用改进型LSTM模型进行特征学习得到特征序列，再融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果。本发明对光伏功率实测数据和数值天气预报数据进行双通道特征学习，通过改进传统LSTM方法，增加当前输入与前一训练状态的率先交互环节，增强输入量信息收益，并采用融合TPA机制的改进型LSTM模型充分挖掘输入特征量及状态间的潜在信息增益，实现双输入分支与输入量提前集成，增强特征信息表现力，提升模型的预测精度。
Description
技术领域
本发明涉及一种光伏功率预测方法，尤其涉及一种融合时间模式特征的LSTM超短期光伏功率预测方法及***。
背景技术
为实现“碳达峰、碳中和”目标，积极构建高比例可再生能源的新型电力***是关键步骤。随着装机容量的不断提高，准确有效的新能源出力预测对保证电力***稳定运行至关重要。光伏功率预测按照时间尺度可分为超短期，短期和中长期，其中，超短期预测的时间尺度为几小时，一般为4小时，时间分辨率为15分钟，预测精度要求更高，因此，准确高效的超短期预测方法对电网调度计划安排和储能配置具有重要意义。
为提升在实际工程中的应用价值，数据挖掘和组合预测的方法被广泛应用到新能源出力预测任务中，其中，数据挖掘方法分析原始数据分布，挖掘数据的深层特性，主要包括特征选择，聚类方法，信号分解等；组合预测方法参考多种数据映射建模思路，取代单一的建模方法，整体预测精度显著提高。对于特定的预测场景，需要考虑实际数据分布和实际任务需要，采用针对性的数据挖掘方法和建模思路，才能合理有效地提升预测表现。
目前，以卷积神经网络和长短期记忆网络为代表的深度学习算法凭借复杂的映射关系，成为研究热点之一，其中，卷积神经网络(CNN)常用于图像分类领域，能够挖掘局部的耦合特性；长短期记忆(LSTM)网络常用于语音识别和时序建模领域，凭借特殊的门控结构与信息筛选能力，可以实现时序信息的长时间传递。针对深度学习算法的潜在优势，不少研究将其应用到光伏预测方向，例如，采取CNN从历史气象信息中提取特征向量，再采用LSTM网络进行功率预测。由于气象运动的随机性，在急剧波动的时段下，CNN-LSTM模型难以准确推演气象变化规律，预测曲线明显滞后实际功率。此外，传统LSTM模型的输入量与状态只在层级训练内部进行交互，可能导致上下文数据信息丢失以及泛化能力的削弱。
发明内容
发明目的：针对以上问题，本发明提出一种融合时间模式特征的LSTM超短期光伏功率预测方法及***，能够实现对光伏功率的短期高精度预测，并提高模型效率。
技术方案：本发明所采用的技术方案是一种融合时间模式特征的LSTM超短期光伏功率预测方法，该方法用于超短期光伏功率预测，所述超短期预测的时间尺度为小时，包括：双分支输入预处理后的光伏功率实测数据和数值天气预报数据，分别采用改进型LSTM模型进行特征学习得到特征序列，再融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果；所述改进型LSTM模型包括LSTM神经网络，改进型LSTM模型的当前输入数据先与LSTM神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入LSTM神经网络进行学习；所述LSTM神经网络采用融合时间模式注意力机制的LSTM神经网络，通过若干个一维卷积核对LSTM神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵。
所述前置信息增益计算包括改进型LSTM模型的当前输入数据与LSTM神经网络的前一输出训练状态数据进行哈达玛积运算。
所述前置信息增益计算，计算式为：
i为奇数，i∈[1...r]
i为偶数，i∈[1...r]
式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；Qi和Ri为两层交互计算的相应参数，σ为sigmoid函数，⊙为哈达玛积。
所述LSTM神经网络的计算式为：
ft＝σ(Wf[ht-1xt]+bf)
it＝σ(Wi[ht-1xt]+bi)
gt＝tanh(Wg[ht-1xt]+bg)
ot＝σ(Wo[ht-1xt]+bo)
ct＝ct-1⊙ft+it⊙gt
ht＝Ot⊙tanh ct
式中，ft为t时刻的遗忘门状态；it为t时刻的输入门状态；gt为为t时刻的输入节点；ot为t时刻的输出门状态；ht-1和xt分别为t-1时刻的输出和t时刻的输入；Wf,Wi，Wg，Wo分别为输入变量在相应逻辑门中的权重矩阵；bf，bi，bg，bo分别为相应逻辑门中的偏置项；ct-1和ct分别为t-1和t时刻的状态变量；σ为sigmoid函数；tanh为双曲正切激活函数；⊙为哈达玛积。
历史实测数据和数值天气预报数据的预处理包括：数据清洗和归一化处理，并采用皮尔森相关系数法对采集的气象数据进行特征筛选，选择与光伏发电功率强关联的气象特征形成特征库；采用滑动时间窗口构建时间序列输入数据；所述数据清洗包括对异常数据进行标记，采用最近邻插值法填补异常数据与缺失数据。
对光伏功率预测模型进行训练，包括：采用训练集样本中的预测功率与实际功率进行损失值计算，并利用Adam优化器优化均方误差损失函数，根据验证集的评估结果对超参数进行调整。其中，评估指标包括：平均绝对百分比误差和均方根百分比误差。
本发明还提出一种融合时间模式特征的LSTM超短期光伏功率预测***，包括：
数据存储模块，用于光伏功率实测数据和数值天气预报数据存储；
数据预处理模块，包括光伏功率实测数据预处理模块和数值天气预报数据预处理模块；
改进型LSTM算法模块，包括两个并行的LSTM算法模块，用于分别进行光伏功率实测数据和数值天气预报数据的特征学习，得到特征序列输出至数据预测模块；所述改进型LSTM模型包括LSTM神经网络，改进型LSTM模型的当前输入数据先与LSTM神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入LSTM神经网络进行学习；所述LSTM神经网络采用融合时间模式注意力机制的LSTM神经网络，通过若干个一维卷积核对LSTM神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵；
数据预测模块，包括特征融合模块和全连接层，特征融合模块用于融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果。
所述前置信息增益计算包括改进型LSTM模型的当前输入数据与LSTM神经网络的前一输出训练状态数据进行哈达玛积运算。
所述前置信息增益计算，计算式为：
i为奇数，i∈[1...r]
i为偶数，i∈[1...r]
式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；Qi和Ri为两层交互计算的相应参数，σ为sigmoid函数，⊙为哈达玛积。
本发明提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的融合时间模式特征的LSTM超短期光伏功率预测方法。
本发明提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的融合时间模式特征的LSTM超短期光伏功率预测方法。
有益效果：相比现有技术，本发明具有以下优点：本发明采用强相关分析与双输入分支结合的特征过滤方法，综合多源特征挖掘光伏出力规律，避免特征冗余或特征维度单一，加快模型收敛速度。本发明采用融合时间模式特征的改进型LSTM挖掘时序关联性，增加当前输入与前一训练状态的率先交互环节，通过输入与状态间多次交互增强输入量信息收益；同时融合时间模式注意力(TPA)机制，计算分析不同维度时序特征的贡献度，区分主次特征，更高效地挖掘全局特征间的依赖关系。相较于其他预测方法，本发明能够充分挖掘输入特征量及状态间的潜在信息增益，实现双输入分支与输入量提前集成，增强特征信息表现力，简洁高效地校验训练中的有效信息提升模型的预测精度。
附图说明
图1是本发明所述的LSTM超短期光伏功率预测方法的架构图；
图2是TPA机制运行原理图；
图3是本发明所述的LSTM超短期光伏功率预测方法的流程图；
图4是不同预测方法提前1h的预测结果对比图；
图5是不同预测方法提前4h的预测结果对比图；
图6是本发明所述的LSTM超短期光伏功率预测***的模块图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其流程如图3所示，引入了光伏功率实测数据与数值天气预报数据(NWP数据)，通过双输入分支率先进行各特征输入量与训练状态的信息交互，挖掘潜在信息增益，结合融合时间模式注意力计算特征贡献度，并利用特征融合模块最终构建组合预测模型，从多个角度扩展有效增维信息，以提高预测方法的准确性与泛化性。该方法包括以下内容：
一、数据预处理，包括以下步骤：
步骤1，对历史数据与NWP数据进行清洗，主要包括：对异常数据进行标记，采用最近邻插值法填补异常数据与缺失数据，保障实验数据的完整性；
异常数据和缺失数据影响模型的训练效果，在数据清洗阶段要对数据进行处理，合理准确的数据是模型训练的前提条件。
步骤2，采用Pearson相关系数对采集的气象数据进行特征筛选，从中选择与光伏发电功率关联性较强的气象特征形成特征库，避免由于数据冗余造成的预测精度下降。
采用Pearson相关系数方法可以高效快速地进行相关特征选择，两个连续变量间的Pearson相关系数取值范围在[-1，1]之间，相关系数的绝对值越大表明两个变量间的相似程度越大，将采集的特征按照Pearson相关系数进行降序排列，选取前N种特征作为模型输入，避免数据冗余，建立合理的数据映射关系。
步骤3，将数据集划分为训练集，验证集和测试集，对数据进行归一化处理，以消除不同数据间的量纲差异。
为避免数据泄露造成预测结果的虚高，需要对数据集进行划分，训练集进行模型的训练，验证集进行模型参数的选择，结合训练集以期获得最优参数，测试集进行最终预测，验证模型的有效性与合理性。接着，对各数据集进行归一化处理，方式如下：
式(1)中，为采集数据归一化后的值；Zi为第i个采样点的采集数据；Zmax和Zmin为采集数据中的最大值和最小值。
标准化将原始数据划归到0-1之间，消除不同量纲间的数据差异，可以提高模型的训练速度，最终预测结果需要反归一化操作，使其具有实际物理意义。
通过实验分析选取最优输入步长与滑动时间窗口长度，构建时间序列输入数据；
二、构建具有双输入分支与前置信息增益的改进型LSTM模型。
输入分支中采用引入额外门控运算的改进型LSTM分别对历史数据与NWP数据进行多维度特征挖掘。改进型LSTM强调输入与状态在输入到LSTM之前进行多次交互计算，防止在数据传递过程中上下文信息的丢失，增强特征信息表现力，提升模型的预测精度。LSTM单元的计算过程如(2)-(7)所示，改进型LSTM的多轮交互计算过程如(8)-(9)所示：
ft＝σ(Wf[ht-1xt]+bf) (2)
it＝σ(Wi[ht-1xt]+bi) (3)
gt＝tanh(Wg[ht-1xt]+bg) (4)
ot＝σ(Wo[ht-1xt]+bo) (5)
ct＝ct-1⊙ft+it⊙gt (6)
ht＝ot⊙tanh ct (7)
式中，ft为t时刻的遗忘门状态；it为t时刻的输入门状态；gt为为t时刻的输入节点；ot为t时刻的输出门状态；ht-1和xt分别为t-1时刻的输出和t时刻的输入；Wf，Wi，Wg，Wo分别为输入变量在相应逻辑门中的权重矩阵；bf，bi，bg，bo分别为相应逻辑门中的偏置项；ct-1和ct分别为t-1和t时刻的状态变量；σ为sigmoid函数；tanh为双曲正切激活函数；⊙为哈达玛积。
为奇数，i∈[1...r] (8)
为偶数，i∈[1...r] (9)
式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；Qi和Ri为相应参数。
改进型LSTM方法结构如图1所示。LSTM在循环神经网络(RNN)基础上进行改进，结合门控机制实现信息的筛选与遗忘，有效缓解梯度消失和***的状况，提升长期记忆功能；改进型LSTM不改变LSTM本身的结构，只加强输入与上下文信息(即中间输入与训练状态)之间的交互作用，更好地将特征信息融入到模型中，增强特征表现力。
将获得前置信息增益的改进型LSTM模型的网络隐藏层矩阵送入TPA模块，利用多个一维卷积核对其卷积获得注意力向量，聚焦时序特征中的关键信息，随后，将注意力向量与和改进型LSTM网络隐藏层状态进行拼接，经全连接层映射为特定向量；
时间模式注意力机制运行原理如图2所示，时间模式注意力机制突出时序特征中的关键信息，忽略次要信息，具体而言，采用多个一维卷积核对时间窗口中的隐藏层矩阵进行卷积，提取多个时间模式，能够同时提取时间序列关系与不同变量之间的复杂联系。
三、光伏功率预测。
特征融合模块将上述双分支提取的特征序列进行有效结合，并通过全连接层输出指定格式的预测功率向量。
预测模型结构如图3所示，特征融合模块在基于双输入分支与前置信息增益的TPA-改进型LSTM模型基础上，将特征序列进行有效结合，提升数据挖掘效率，通过全连接层训练并建立与预测功率的映射关系，输出功率预测结果。特征序列的结合即将光伏功率实测数据的特征序列进行扩展，扩展后的特征序列为光伏功率实测数据的特征序列+数值天气预报数据的特征序列。
对光伏功率预测模型采用训练集样本中的预测功率与实际功率进行损失值计算，并利用Adam优化器优化均方误差损失函数，同时根据验证集的评估结果对超参数进行调整，从而确定模型最终超参数；
将训练好的预测模型进行保存，在此基础上，对测试集上的预测结果进行反归一化处理得到对应的光伏功率，并将深度神经网络模型的预测结果与其他方法进行对比，用于验证合理性与准确性，选取平均绝对百分比误差(MAPE)和均方根百分比误差(RMSPE)作为评估指标，计算公式如(10)-(13)所示。
式中：为ts时刻的光伏出力实际值；/>为第k次预测中对ts时刻的光伏出力预测值；N为预测总次数。
为验证所提方法的准确性，将深度神经网络模型的预测结果与其他方法进行对比，其中对比模型的工作机理如下，方法1采用改进型LSTM模型，引入历史数据和NWP数据作为双分支输入，不考虑时间模式特征工程，通过独立模型进行训练与预测，对比验证时间模式注意力机制的有效性，其中r＝5，即改进型LSTM模型最优交互计算轮数为5；方法2考虑融合时间模式特征的基础LSTM模型，同样采用双分支输入，对比验证改进型LSTM的优越性；方法3为本文所提方法，其中r＝6，即改进型LSTM模型最优交互计算轮数为6。预测曲线对比如图4、图5所示。从预测结果可看出，本文所提方法在光伏功率波动时段，可更有效跟踪出力变化趋势，其原因在于通过融合时间模式特征与改进型LSTM方法，更充分地挖掘了输入特征量的数据信息价值，对气象突变引起光伏出力波动的关键因素挖掘及表征更准确，从而实现最低平均绝对百分比误差AMAPE＝9.54％，ARMSPE＝4.17％。
综上，本发明提出融合时间模式特征的改进型LSTM超短期光伏功率预测方法，引入历史数据与NWP数据的双分支输入，充分挖掘输入特征量及状态间的潜在信息增益，提升模型的预测精度。首先，对于历史实测数据和数值天气预报数据进行数据清洗和数据填补，通过特征筛选形成关键特征库；其次，改进传统长短期记忆(LSTM)方法，通过增加当前输入与前一训练状态的率先交互模块，增强输入量信息收益，融合时间模式注意力(TPA)机制，计算分析不同维度特征的贡献度，区分主次特征，更有效地挖掘全局特征间的依赖关系，同时简洁高效地校验训练中的有效信息；最后，通过特征融合模块对不同维度有效特征进行拼接，利用全连接层输出光伏发电功率。相较其他方法，采用融合TPA机制的改进型LSTM模型充分挖掘输入特征量及状态间的潜在信息增益，实现双输入分支与输入量提前集成，增强特征信息表现力，提升模型的预测精度。
在一个实施例中，提供了一种融合时间模式特征的LSTM超短期光伏功率预测***，***模块图如图6所示，包括：数据存储模块，用于光伏功率实测数据和数值天气预报数据存储。数据预处理模块，包括光伏功率实测数据预处理模块和数值天气预报数据预处理模块。改进型LSTM算法模块，包括两个并行的LSTM算法模块，用于分别进行光伏功率实测数据和数值天气预报数据的特征学习，得到特征序列输出至数据预测模块；所述改进型LSTM模型包括LSTM神经网络，改进型LSTM模型的当前输入数据先与LSTM神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入LSTM神经网络进行学习；所述LSTM神经网络采用融合时间模式注意力机制的LSTM神经网络，通过若干个一维卷积核对LSTM神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵。以及最后的数据预测模块，包括特征融合模块和全连接层，特征融合模块用于融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果。
所述前置信息增益计算包括改进型LSTM模型的当前输入数据与LSTM神经网络的前一输出训练状态数据进行哈达玛积运算。
所述前置信息增益计算，计算式为：
i为奇数，i∈[1...r]
i为偶数，i∈[1...r]
式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；Qi和Ri为两层交互计算的相应参数，σ为sigmoid函数，⊙为哈达玛积。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的融合时间模式特征的LSTM超短期光伏功率预测方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的融合时间模式特征的LSTM超短期光伏功率预测方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (12)
1.一种融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，包括：双分支输入预处理后的光伏功率实测数据和数值天气预报数据，分别采用改进型LSTM模型进行特征学习得到特征序列，再融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果；其中所述改进型LSTM模型包括LSTM神经网络，改进型LSTM模型的当前输入数据先与LSTM神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入LSTM神经网络进行学习；所述LSTM神经网络采用融合时间模式注意力机制的LSTM神经网络，通过若干个一维卷积核对LSTM神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵。
2.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，所述前置信息增益计算包括改进型LSTM模型的当前输入数据与LSTM神经网络的前一输出训练状态数据进行哈达玛积运算。
3.根据权利要求2所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，所述前置信息增益计算，计算式为：
式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；Qi和Ri为两层交互计算的相应参数，σ为sigmoid函数，⊙为哈达玛积。
4.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于：所述LSTM神经网络的计算式为：
ft＝σ(Wf[ht-1xt]+bf)
it＝σ(Wi[ht-1xt]+bi)
gt＝tanh(Wg[ht-1xt]+bg)
ot＝σ(Wo[ht-1xt]+bo)
ct＝ct-1⊙ft+it⊙gt
ht＝ot⊙tanh ct
式中，ft为t时刻的遗忘门状态；it为t时刻的输入门状态；gt为为t时刻的输入节点；ot为t时刻的输出门状态；ht-1和xt分别为t-1时刻的输出和t时刻的输入；Wf，Wi，Wg，Wo分别为输入变量在相应逻辑门中的权重矩阵；bf，bi，bg，bo分别为相应逻辑门中的偏置项；ct-1和ct分别为t-1和t时刻的状态变量；σ为sigmoid函数；tanh为双曲正切激活函数；⊙为哈达玛积。
5.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，历史实测数据和数值天气预报数据的预处理包括：数据清洗和归一化处理，并采用皮尔森相关系数法对采集的气象数据进行特征筛选，选择与光伏发电功率强关联的气象特征形成特征库；采用滑动时间窗口构建时间序列输入数据；所述数据清洗包括对异常数据进行标记，采用最近邻插值法填补异常数据与缺失数据。
6.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，对光伏功率预测模型进行训练，包括：采用训练集样本中的预测功率与实际功率进行损失值计算，并利用Adam优化器优化均方误差损失函数，根据验证集的评估结果对超参数进行调整。
7.根据权利要求6所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，评估指标包括：平均绝对百分比误差和均方根百分比误差。
8.一种融合时间模式特征的LSTM超短期光伏功率预测***，其特征在于，包括：
数据存储模块，用于光伏功率实测数据和数值天气预报数据存储；
数据预处理模块，包括光伏功率实测数据预处理模块和数值天气预报数据预处理模块；
改进型LSTM算法模块，包括两个并行的LSTM算法模块，用于分别进行光伏功率实测数据和数值天气预报数据的特征学习，得到特征序列输出至数据预测模块；所述改进型LSTM模型包括LSTM神经网络，改进型LSTM模型的当前输入数据先与LSTM神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入LSTM神经网络进行学习；所述LSTM神经网络采用融合时间模式注意力机制的LSTM神经网络，通过若干个一维卷积核对LSTM神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵；
数据预测模块，包括特征融合模块和全连接层，特征融合模块用于融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果。
9.根据权利要求8所述的融合时间模式特征的LSTM超短期光伏功率预测***，其特征在于，所述前置信息增益计算包括改进型LSTM模型的当前输入数据与LSTM神经网络的前一输出训练状态数据进行哈达玛积运算。
10.根据权利要求8所述的融合时间模式特征的LSTM超短期光伏功率预测***，其特征在于，所述前置信息增益计算，计算式为：
式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；Qi和Ri为两层交互计算的相应参数，σ为sigmoid函数，⊙为哈达玛积。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的融合时间模式特征的LSTM超短期光伏功率预测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的融合时间模式特征的LSTM超短期光伏功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439064.7A CN117477544A (zh) | 2023-10-31 | 2023-10-31 | 融合时间模式特征的lstm超短期光伏功率预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439064.7A CN117477544A (zh) | 2023-10-31 | 2023-10-31 | 融合时间模式特征的lstm超短期光伏功率预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117477544A true CN117477544A (zh) | 2024-01-30 |
Family
ID=89635957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311439064.7A Pending CN117477544A (zh) | 2023-10-31 | 2023-10-31 | 融合时间模式特征的lstm超短期光伏功率预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117477544A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118074806A (zh) * | 2024-04-22 | 2024-05-24 | 中国电建集团江西省电力设计院有限公司 | 一种基于机器学习的光放大器增益调节方法及设备 |
-
2023
- 2023-10-31 CN CN202311439064.7A patent/CN117477544A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118074806A (zh) * | 2024-04-22 | 2024-05-24 | 中国电建集团江西省电力设计院有限公司 | 一种基于机器学习的光放大器增益调节方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016734B (zh) | 基于lstm栈式自编码多模型荷预测方法及*** | |
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
| CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及*** | |
| CN112879024B (zh) | 一种盾构姿态动态预测方法、***及设备 | |
| CN112464996B (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
| CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN117477544A (zh) | 融合时间模式特征的lstm超短期光伏功率预测方法及*** | |
| CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
| CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
| CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
| CN116842459A (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| CN116629417A (zh) | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 | |
| CN116843083A (zh) | 基于混合神经网络模型的碳排放预测***及方法 | |
| CN117725491A (zh) | 一种基于SCINet的电力***故障状态检测分类方法 | |
| CN107276093B (zh) | 基于场景削减的电力***概率潮流计算方法 | |
| Liu et al. | A hybrid deep learning model based on parallel architecture TCN-LSTM with Savitzky-Golay filter for wind power prediction | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN116298670A (zh) | 适用于多分支配电线路的智能故障定位方法及*** | |
| Sun et al. | Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model | |
| Ngoc Phien et al. | A comparison between deep belief network and LSTM in chaotic time series forecasting | |
| Wu et al. | Convolutional deep leaning-based distribution system topology identification with renewables | |
| Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |